Modèles stochastiques de trajectoire

Une séquence d'observations associées à une unité phonétique constitue une trajectoire. Nous considérons que chaque trajectoire observée est une réalisation d'une variable aléatoire représentée par un modèle stochastique de trajectoire (STM). Ce modèle original est décrit par une loi de mélange définie sur la séquences d'états.

Le système VINICS, fondé sur ce principe, a fourni en mode dépendant du locuteur une performance de taux d'erreur de mots inférieur à pour une tâche de reconnaissance de parole continue d'un vocabulaire de 2000 mots.

Les extensions théoriques de STM consistent en :

• ED-STM : STM dépendant de l'environnement qui aborde le problème de la reconnaissance de la parole en environnements multiples par l'introduction et la modélisation d'une variable statistique non observable,
• TD-STM : STM dependant du temps où la corrélation temporelle des observations sur une trajectoire est prise en compte par une fonction polynomiale,
• SC-STM : STM semi-continu qui introduit la notion de partage de paramètres dans la modélisation de mélange des lois probabilistes, permettant de modéliser les variations acoustiques plus complexes,
• HMM-STM : STM implanté en HMM où la notion de trajectoire stochastique est introduite dans les modèles markoviens cachés,
• DY-STM : STM dynamique qui modélise la corrélation entre les observations sur une trajectoire par un processus AR non observable,
• PMC-STM : STM rendu plus robuste en environnement bruité par l'introduction de la technique de la combinaison des modèles stochastiques (PMC).

Les modèles STM ont été par ailleurs appliqués à la reconnaissance de l'écriture manuscrite cursive [98].